論文の概要: Self-Modulating Quantum Fast-Weight Programmers for Efficient Adaptive Sequential Learning

• arxiv url: http://arxiv.org/abs/2606.24933v1
• Date: Mon, 22 Jun 2026 10:21:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.04876
• Title: Self-Modulating Quantum Fast-Weight Programmers for Efficient Adaptive Sequential Learning
• Title（参考訳）: 適応型逐次学習のための自己変調量子高速プログラム
• Abstract要約: 我々はQFWP(Self-Modulating Quantum Fast Weight Programmers)を提案する。 自己変調QFWPは、新しく生成された高速更新と過去の高速メモリの両方に対する適応変調を導入する。 提案手法は,様々なモデル設定における収束安定性と予測性能を向上させる。
• 参考スコア（独自算出の注目度）: 36.260056870107874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in quantum machine learning have motivated efficient models for sequential data processing. In this paper, we propose Self-Modulating Quantum Fast Weight Programmers, or Self-Modulating QFWP, which extends Quantum Fast Weight Programmers by introducing adaptive modulation over both newly generated fast-weight updates and historical fast-weight memory. Numerical results show that the proposed mechanism improves convergence stability and prediction performance across varying model settings, including different numbers of qubits and input sequence lengths. We further provide theoretical arguments explaining how self-modulation balances new information injection with memory retention, thereby enhancing temporal information propagation. These results suggest that Self-Modulating QFWP is a compact and effective framework for quantum machine learning on time-series data.
• Abstract（参考訳）: 量子機械学習の最近の進歩は、シーケンシャルなデータ処理のための効率的なモデルを動機付けている。 本稿では,新たに生成された高速な更新と履歴的な高速なメモリの両方に対して適応的な変調を導入することで,量子高速なプログラムを拡張した自己変調量子高速なプログラム(Self-Modulating Quantum Fast Weight Programmers,Self-Modulating QFWP)を提案する。 数値的な結果から,提案機構は,異なるキュービット数や入力シーケンス長を含む様々なモデル設定における収束安定性と予測性能を向上させることが示唆された。 さらに, 自己変調が新たな情報注入とメモリ保持のバランスを保ち, 時間的情報伝達の促進を図っている。 これらの結果から,自己変調QFWPは時系列データに基づく量子機械学習のためのコンパクトで効果的なフレームワークであることが示唆された。

関連論文リスト

• Stable Self-Modulating Quantum Fast-Weight Programmers with Bounded Memory Gates [36.26005687010788]
  量子高速重みプログラム(QFWP)は、動的にプログラムされた変動回路パラメータに時間情報を格納する。 自己変調QFWPは、新しい高速更新と蓄積された高速状態の両方に入力依存ゲートを使用することで、このフレームワークを改善する。 従来のQFWPよりも、古い状態の変調が、最も一貫した改善の源であることを示す。
  論文  参考訳（メタデータ） (2026-07-02T16:06:04Z)
• Memory-enhanced quantum extreme learning machines for characterizing non-Markovian dynamics [0.0]
  量子力学のパラメータを特徴付け,推定するために,量子エクストリーム学習マシンを用いる。 時間的情報と観測可能な追加を含むQELM特徴空間の拡張が推定性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2026-03-17T22:22:22Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Entanglement and Classical Simulability in Quantum Extreme Learning Machines [0.0]
  本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。 我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および射影測定を組み合わせたものである。 この性能向上は、古典データの埋め込みを改善する絡み合いの開始と相関することを示す。
  論文  参考訳（メタデータ） (2025-09-08T16:43:37Z)
• Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
  本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。 QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。 合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-05T02:52:37Z)
• Programming Variational Quantum Circuits with Quantum-Train Agent [3.360429911727189]
  可変量子回路(VQC)の効率的かつスケーラブルなプログラミングを容易にするQT-QFWP(Quantum-Train Quantum Fast Weight Programmer)フレームワークを提案する。 このアプローチは、量子と古典の両方のパラメータ管理を最適化することで、従来のハイブリッド量子古典モデルに対して大きな優位性をもたらす。 QT-QFWPは、関連モデルを効率性と予測精度の両方で上回り、より実用的で費用対効果の高い量子機械学習アプリケーションへの道筋を提供する。
  論文  参考訳（メタデータ） (2024-12-02T06:26:09Z)
• Learning to Program Variational Quantum Circuits with Fast Weights [3.6881738506505988]
  本稿では,時間的あるいはシーケンシャルな学習課題に対する解決法として,QFWP(Quantum Fast Weight Programmers)を提案する。 提案したQFWPモデルは、量子リカレントニューラルネットワークの使用を必要とせずに、時間的依存関係の学習を実現する。 本研究では, 時系列予測とRLタスクにおいて, 提案したQFWPモデルの有効性を示す数値シミュレーションを行った。
  論文  参考訳（メタデータ） (2024-02-27T18:53:18Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。